공정 단계에서 현장 결함을 감지하기 위한 기계 학습 반복 필터링 알고리즘

Abstract

일반적으로 공장에서 생산되는 제품들은 공정 단계에서 전수검사를 시행하고 최종 출하검사를 통해서 합격 판정된 제품만 현장으로 출고된다. 그러나 전수검사를 완벽하게 진행한 제품임에도 불구하고 현장에서 지속적으로 작동 불량이 발생되고 있다. 본 논문에서는 공정 단계에서 현장의 작동 불량을 최대한 검출하기 위해 예측된 양품을 반복적으로 필터링하는 MLIF (Machine Learning Iterative Filtering) 알고리즘을 제안한다. 이 알고리즘은 불균형한 데이터 세트의 다수 클래스에서 여러 번의 랜덤 언더샘플링을 통해 형성된 n 개의 학습기를 활용하여 양품을 필터링하는 독창적인 방법을 적용한다. 또한, 분류의 재현율 결과가 100%인 조건 하에서 랜덤 샘플링의 번호와 분류 결정의 임곗값을 지정함으로써 소수 클래스의 분류 예측 성능을 향상한다. 따라서, MLIF 알고리즘의 테스트 데이터에 대한 최종 분류 성능이 87%로 단일 학습기의 성능인 76% 대비 11%p 정도 증가하였다. 마지막으로, 공정과 필드 데이터를 연계한 다양한 정보와 MLIF 알고리즘의 예측한 결과를 볼 수 있는 공정관리 대시보드를 제시하여 공정관리 업무를 수행하는 데 효율성을 높인다.